文章介绍了一种名为“重述和回答”（RaR）的方法，通过让大型语言模型重述问题来提高性能。RaR有两步变体，将问题由一个模型重述后传递给另一个模型。实验表明，这些方法显著提升了模型在各种任务上的表现，并与思维链（CoT）方法互补，结合使用效果更佳。这项研究对提升模型性能和评估能力具有重要意义。

本文介绍了一种名为“重述和回答”（RaR）的方法，通过重述和展开人类问题，提高了大型语言模型（LLMs）的性能。实验证明这种方法在各种任务上显著提高了不同模型的性能，并与Chain-of-Thought（CoT）方法进行了比较，发现两者结合使用效果更好。这项工作对提高LLM性能和公正评估LLM能力具有重要意义。

本文介绍了一种名为“重述和回答”（RaR）的方法，通过重述和展开人类问题，提高了大型语言模型（LLMs）的性能。实验证明这种方法在各种任务上显著提高了不同模型的性能，并与Chain-of-Thought（CoT）方法进行了比较，发现两者结合使用效果更好。这项工作对提高LLM性能和公正评估LLM能力具有重要意义。